大多数人不会想教五岁的孩子如何通过将球拍和球交给他们，告诉他们以无数种不同的组合将物体扔向空中，并希望他们弄清楚两者之间的联系。

但是，这在某种程度上就是我们今天处理机器学习的方式 -通过向机器显示大量数据并期望它们学习关联或自行寻找模式。

对于当今AI技术的许多最常见应用程序(例如简单的文本或图像识别)而言，这非常有效。

但是随着对更多场景使用AI的需求的增长，Microsoft科学家和产品开发人员开创了一种称为机器教学的补充方法。这依靠人们的专业知识将问题分解为更简单的任务，并为机器学习模型提供有关如何更快地找到解决方案的重要线索。这就像在教孩子打全垒打一样，首先将球放在发球区上，然后扔下手球，最后进入快球。

微软公司的马克·哈蒙德说：“当我们以人类的角度谈论这个问题时，这感觉非常自然和直观，但是当我们转向机器学习时，每个人的心态，无论他们是否意识到，都是'让我们对系统扔快球'。”商业AI总经理。“机器教学是一套可以帮助您停止这样做的工具。”

机器教学旨在从人们那里获取知识，而不是仅仅从数据中提取知识。一个了解即将完成的任务的人(无论是如何决定公司的哪个部门应该接收传入的电子邮件，或者如何自动定位风力涡轮机以产生更多的能量)将首先将问题分解成较小的部分。然后，他们将提供有限数量的示例或等效的教案，以帮助机器学习算法解决该问题。

在监督学习场景中，当行业或公司的需求如此具体时，当很少或根本没有针对机器学习算法的标记培训数据时，机器教学特别有用。

在困难和模棱两可的强化学习场景中(算法难以确定在物理世界中应采取几百万种可能的动作来完成任务)，机器教学可以极大地缩短智能代理查找解决方案的时间。

这也是实现更大范围的人群以更复杂的方式使用AI的更大目标的一部分。机器教学可让缺乏AI专门知识的开发人员或主题专家(例如律师，会计师，工程师，护士或叉车操作员)将重要的抽象概念赋予智能系统，然后在后台执行机器学习机制。

微软研究人员近十年前就开始探索机器教学原理​​，这些概念现在正在应用到产品中，这些产品可以帮助公司构建从智能客户服务机器人到自治系统的所有内容。

“即使最聪明的AI也会自己努力学习如何完成现实世界中一些非常复杂的任务。因此，您需要一种类似的方法，由人们指导AI系统学习我们已经知道的东西， ”微软商务AI公司副总裁Gurdeep Pall说。“采用这种交钥匙式AI，并让非专家使用它来完成更复杂的任务，这确实是机器教学的最佳选择。”

如今，如果我们试图教授一种机器学习算法来学习桌子是什么，我们可以轻松地找到带有经过精心标记的桌子，椅子和灯具图片的数据集。将算法暴露给无数带有标签的示例后，它学会识别表的特征。

但是，如果必须教一个人如何识别桌子，则可能首先要说明它有四个腿和一个平顶。如果您看到此人也将椅子放在该类别中，则需要进一步说明椅子有靠背，而桌子没有。这些抽象和反馈循环是人们学习方式的关键，它们还可以增强传统的机器学习方法。

微软杰出工程师帕特里斯·西马德(Patrice Simard)说：“如果您可以教别人一些东西，那么您应该可以使用与人类学习非常接近的语言在机器上教它。” 本月，他的团队移至“体验和设备”小组以继续这项工作，并将机器教学与对话式AI产品进一步集成。

数百万潜在的AI用户

Simard注意到在机器学习会议上几乎所有论文都专注于在精心挑选的基准上提高算法性能时，就开始思考构建AI系统的新范例。但他意识到，在现实世界中，教学是学习的同等或可争议的重要组成部分，尤其是对于数据有限的简单任务。

如果您想教一个AI系统如何挑选最好的汽车，但只有几个标有“好”和“坏”的示例，则可能会从有限的信息中推断出，好的汽车的特征就是第四点。其车牌号为“ 2”。但是，将AI系统指向您将告诉您的青少年考虑的相同特征(汽油行驶里程，安全等级，碰撞测试结果，价格)，尽管标记示例的可用性有限，但仍可以使算法正确识别好车和坏车。

在监督学习场景中，机器教学通过识别这些高级有意义的功能来改进模型。与编程一样，机器教学的艺术也涉及将任务分解为更简单的任务。如果不存在必需的功能，则可以使用子模型创建这些子模型，这些子模型使用较低级别的特征，并且足够简单，可以从几个示例中学到。如果系统始终犯相同的错误，则可以通过添加功能部件或示例来消除错误。

最早采用机器教学概念的Microsoft产品之一是“语言理解”，它是Azure认知服务中的一种工具，可从短文本中识别意图和关键概念。从UPS和Progressive Insurance到Telefonica的公司已使用它开发智能的客户服务机器人。

“要知道客户是否对帐单或服务计划有疑问，您不必给我们每个例子的问题。您可以提供四个或五个，以及该领域中重要的功能和关键字，语言理解会在后台处理这些机器。”负责语言理解的首席软件工程经理Riham Mansour说道。

微软研究人员正在探索如何将机器教学概念应用于更复杂的问题，例如对较长的文档，电子邮件甚至图像进行分类。他们还致力于使教学过程更加直观，例如向用户建议哪些功能可能对解决任务很重要。

微软公司首席程序经理艾丽西亚·埃德曼·佩尔顿(Alicia Edelman Pelton)说，想像一家公司希望使用AI扫描过去一年中的所有文档和电子邮件，以查找发出了多少报价以及其中有多少引起了销售。教学小组。

第一步，系统必须知道如何从合同或发票中识别报价。通常，对于此类任务没有标签化的培训数据，特别是如果公司中的每个销售人员对它的处理略有不同。

如果系统使用传统的机器学习技术，则该公司将需要将该过程外包，发送数千个示例文档和详细说明，以便一大群人可以尝试正确地标记它们-这个过程可能要花几个月的时间来回进行。消除错误并找到所有相关示例。他们还需要一位需求很大的机器学习专家来构建机器学习模型。而且，如果新的销售人员开始使用未经系统训练的不同格式，则该模型会感到困惑并无法正常工作。

相比之下，佩尔顿说，微软的机器教学方法将使用公司内部的人员来识别报价中常见的定义特征和结构：销售员发送的信息，外部客户的姓名，诸如“报价”或“交货日期”之类的字眼”，“产品”，“数量”或“付款条件”。

它将把那个人的专业知识翻译成机器可以理解和使用机器学习算法的语言，该算法已经被预先选择来执行该任务。佩尔顿说，这可以帮助客户在短时间内使用其组织内已有的专业知识来构建定制的AI解决方案。

佩尔顿指出，世界上有无数人“了解他们的业务并可以描述重要的概念-一位律师说，'哦，我知道合同的模样，我知道传票的模样，我可以给您区别的线索。””

真正解决难题

十多年前，哈蒙德(Hammond)在耶鲁大学神经科学实验室担任系统程序员，他注意到科学家们如何使用逐步方法来训练动物完成研究任务。对于借用这些课程来教授机器，他有一个类似的顿悟。

最终，他找到了盆景，并于去年被微软收购。它将机器教学与深度强化学习和模拟相结合，以帮助公司开发“大脑”，从而在从机器人技术，制造到能源和建筑管理等应用中运行自主系统。该平台使用一种称为Inkling的编程语言来帮助开发人员甚至主题专家分解问题并编写AI程序。

深度强化学习是AI的一个分支，在该分支中，算法是基于奖励系统通过反复试验来学习算法的，它在视频游戏中的表现已成功超越人们。哈蒙德说，但是这些模型一直难以掌握更复杂的实际工业任务。

Hammond说，添加机器教学层(或将组织独特的主题专业知识直接注入到深度强化学习模型中)可以大大减少找到解决这些非常复杂的现实问题所需的时间。

例如，假设一家制造公司想要培训AI代理以自动校准关键设备，因为温度或湿度波动或使用了一段时间后，这些设备可能会被扔掉。一个人将使用Inkling语言创建一个“课程计划”，该计划概述了相关信息以执行任务并监视系统是否运行良好。

借助其机器教学组件中的信息，盆景系统将选择最佳的强化学习模型，并创建一个AI“大脑”，以通过自主校准设备来减少昂贵的停机时间。它会在模拟的环境中测试不同的动作，并根据执行校准的速度和精确度而受到奖励或惩罚。

Hammond说，一开始就告诉AI大脑什么是重点，这会使许多徒劳又费时的探索短路，因为它试图在仿真中学习什么是行不通的。

“机器教学之所以被证明是至关重要的，是因为如果您只是天真地使用强化学习，而没有提供任何有关如何解决问题的信息，它将随机探索，并且可能希望(但往往不会)找到解决方案那行得通，”哈蒙德说。“这使问题真正得以解决，而没有机器教学就无法解决。”